一种城市内涝最大水深预测方法与流程

本申请涉及城市内涝水深预测领域，具体涉及一种城市内涝最大水深预测方法。

背景技术：

1、

2、传统城市内涝分析通常依赖水文水动力模型、排水管网模型、二维地表汇流模拟或人工经验分析，但预测准确度较低，计算资源消耗量较大。

技术实现思路

1、鉴于上述问题，本申请的实施例提供了一种城市内涝最大水深预测方法，包括：获取目标降雨事件的空间栅格特征数据，以及获取目标降雨事件的事件起点至事件终点内至少一段时长的降雨过程数据，至少一段时长包括完整降雨持续时长；基于预设的固定时间窗长度和时间步长，将降雨过程数据划分为多个降雨时间窗，每个降雨时间窗包含至少部分降雨过程数据；将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型，得到每个降雨时间窗中每一空间栅格对应的水深预测值；比较每个空间栅格在每个降雨时间窗中对应的水深预测值，得到每个空间栅格对应的最大水深预测值；将每个空间栅格对应的最大水深预测值，作为目标降雨事件的最大积水深度预测结果。

2、根据本申请的实施例，基于预设的固定时间窗长度和时间步长，将降雨过程数据划分为多个降雨时间窗，具体包括：基于至少一段时长的时长起点以及时长终点，确定降雨过程数据对应的降雨持续时长；在降雨持续时长小于或等于固定时间窗长度的情况下，将时长起点作为时间窗起点构建第一降雨时间窗，并在第一降雨时间窗的末尾补零直至第一降雨时间窗的长度等于固定时间窗长度；在降雨持续时长大于固定时间窗长度的情况下，将时长起点作为时间窗起点，基于固定时间窗长度以及时间步长构建多个第二降雨时间窗，各第二降雨时间窗的时间窗长度等于固定时间窗长度，且相邻第二降雨时间窗的时间窗起点之差等于时间步长；在最后一个第二降雨时间窗未覆盖至目标降雨事件的时长终点的情况下，将时长终点作为降雨时间窗终点，基于固定时间窗长度构建第三降雨时间窗。

3、根据本申请的实施例，将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型，得到每个降雨时间窗中每一空间栅格对应的水深预测值，具体包括：确定目标降雨事件的空间栅格尺寸，以及水深预测模型的输入尺寸；响应于目标降雨事件的空间栅格尺寸大于水深预测模型预设的输入尺寸，基于预设空间步长从空间栅格特征数据中确定多个可重叠的空间预测块，每个空间预测块包含至少部分空间栅格，且多个可重叠的空间预测块能够覆盖全部空间栅格；将各空间预测块对应的空间栅格特征数据与多个降雨时间窗对应的降雨过程数据，输入水深预测模型，得到各空间预测块对应的水深预测块；响应于目标空间栅格仅被单个空间预测块覆盖，确定单个空间预测块对应的目标水深预测块的目标水深预测值，并将目标水深预测值作为目标空间栅格的水深预测值；响应于目标空间栅格处被多个空间预测块覆盖，确定多个空间预测块对应的多个水深预测块在空间栅格处的预测平均值，并将预测平均值作为目标空间栅格的水深预测值；遍历全部降雨时间窗，得到每个降雨时间窗中每一空间栅格对应的水深预测值。

4、根据本申请的实施例，将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型之前，方法还包括：获取目标降雨事件的降雨类型信息；根据降雨类型信息，从多个候选水深预测模型中确定与降雨类型信息匹配的目标水深预测模型，各候选水深预测模型具有匹配的降雨类型信息；将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型，具体包括：将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入目标水深预测模型。

5、根据本申请的实施例，水深预测模型为双流网络模型，双流网络模型包括空间分支和降雨时间分支；将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型，得到每个降雨时间窗中每一空间栅格对应的水深预测值，具体包括：通过空间分支，提取空间栅格特征数据中的空间特征；通过降雨时间分支，提取降雨时间窗对应的降雨过程数据的时序特征；通过双流网络模型的瓶颈层，将空间特征与时序特征进行融合，得到融合特征；通过双流网络模型基于融合特征，输出每个降雨时间窗中每一空间栅格对应的水深预测值。

6、根据本申请的实施例，将多个降雨时间窗对应的降雨过程数据与空间栅格特征数据，输入预训练的水深预测模型之前，方法还包括：基于多个历史降雨事件的训练样本数据，构建初始水深预测模型的训练样本数据集合，各历史降雨事件的训练样本数据包含历史空间栅格特征数据、历史降雨过程数据以及各历史空间栅格的最大积水深度标签；按照固定时间窗长度和时间步长，将历史降雨过程数据划分为多个训练时间窗，每个训练时间窗包含至少部分历史降雨过程数据；基于历史空间栅格特征数据、最大积水深度标签以及多个训练时间窗对应的历史降雨过程数据，对初始水深预测模型进行训练，得到水深预测模型。

7、根据本申请的实施例，基于历史空间栅格特征数据、最大积水深度标签以及多个训练时间窗对应的历史降雨过程数据，对初始水深预测模型进行训练，得到水深预测模型，具体包括：将历史空间栅格特征数据以及多个训练时间窗对应的历史降雨过程数据输入初始水深预测模型，得到每个训练时间窗中每一历史空间栅格处对应的历史水深预测值；基于每个训练时间窗中每一历史空间栅格处对应的历史水深预测值，以及每一历史空间栅格对应的最大积水深度标签，确定目标历史降雨事件的事件级损失；基于事件级损失，更新初始水深预测模型的模型参数，得到水深预测模型。

8、根据本申请的实施例，基于事件级损失，更新初始水深预测模型的模型参数，得到水深预测模型，具体包括：针对任意目标历史空间栅格，确定在目标历史空间栅格处取得水深预测值最大值的一个或多个目标训练时间窗；基于事件级损失，通过目标历史空间栅格处的最大值运算，将对应的损失梯度传递至一个或多个目标训练时间窗的水深预测值，并更新初始水深预测模型的模型参数，得到水深预测模型。

9、根据本申请的实施例，基于多个历史降雨事件的训练样本数据，构建初始水深预测模型的训练样本数据集合，具体包括：生成与历史空间栅格特征数据的空间范围一致的第一栅格掩膜，第一栅格掩膜用于标记参与损失计算的第一栅格位置；确定目标历史降雨事件的事件级损失，具体包括：在第一栅格掩膜内，基于最大历史水深预测值与最大积水深度标签之间的差异，确定事件级损失。

10、根据本申请的实施例，在第一栅格掩膜内，基于最大历史水深预测值与最大积水深度标签之间的差异，确定事件级损失，具体包括：根据最大积水深度标签和预设积水阈值，在第一栅格掩膜内确定干区栅格，干区栅格为最大积水深度标签小于积水阈值的空间栅格；确定干区栅格处对应的最大历史水深预测值与积水阈值的水深差值；基于水深差值，确定干区超阈值惩罚项；基于最大历史水深预测值与对应的最大积水深度标签之间的基础拟合损失，以及干区超阈值惩罚项，确定事件级损失。

1.一种城市内涝最大水深预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的城市内涝最大水深预测方法，其特征在于，所述基于预设的固定时间窗长度和时间步长，将所述降雨过程数据划分为多个降雨时间窗，具体包括：

3.根据权利要求1所述的城市内涝最大水深预测方法，其特征在于，所述将多个降雨时间窗对应的降雨过程数据与所述空间栅格特征数据，输入预训练的水深预测模型，得到每个降雨时间窗中每一空间栅格对应的水深预测值，具体包括：

4.根据权利要求1所述的城市内涝最大水深预测方法，其特征在于，所述将多个降雨时间窗对应的降雨过程数据与所述空间栅格特征数据，输入预训练的水深预测模型之前，所述方法还包括：

5.根据权利要求1所述的城市内涝最大水深预测方法，其特征在于，所述水深预测模型为双流网络模型，所述双流网络模型包括空间分支和降雨时间分支；

6.根据权利要求1所述的城市内涝最大水深预测方法，其特征在于，所述将多个降雨时间窗对应的降雨过程数据与所述空间栅格特征数据，输入预训练的水深预测模型之前，所述方法还包括：

7.根据权利要求6所述的城市内涝最大水深预测方法，其特征在于，所述基于所述历史空间栅格特征数据、所述最大积水深度标签以及所述多个训练时间窗对应的历史降雨过程数据，对所述初始水深预测模型进行训练，得到所述水深预测模型，具体包括：

8.根据权利要求7所述的城市内涝最大水深预测方法，其特征在于，所述基于所述事件级损失，更新所述初始水深预测模型的模型参数，得到所述水深预测模型，具体包括：

9.根据权利要求7所述的城市内涝最大水深预测方法，其特征在于，所述基于多个历史降雨事件的训练样本数据，构建初始水深预测模型的训练样本数据集合，具体包括：

10.根据权利要求9所述的城市内涝最大水深预测方法，其特征在于，所述在所述第一栅格掩膜内，基于所述最大历史水深预测值与所述最大积水深度标签之间的差异，确定所述事件级损失，具体包括：